Delta-orthogonal multiple access (D-OMA) has been recently investigated as a potential technique to enhance the spectral efficiency in the sixth-generation (6G) networks. D-OMA enables partial overlapping of the adjacent sub-channels that are assigned to different clusters of users served by non-orthogonal multiple access (NOMA), at the expense of additional interference. In this paper, we analyze the performance of D-OMA in the uplink and develop a multi-objective optimization framework to maximize the uplink energy efficiency (EE) in a multi-access point (AP) network enabled by D-OMA. Specifically, we optimize the sub-channel and transmit power allocations of the users as well as the overlapping percentage of the spectrum between the adjacent sub-channels. The formulated problem is a mixed binary non-linear programming problem. Therefore, to address the challenge we first transform the problem into a single-objective problem using Tchebycheff method. Then, we apply the monotonic optimization (MO) to explore the hidden monotonicity of the objective function and constraints, and reformulate the problem into a standard MO in canonical form. The reformulated problem is then solved by applying the outer polyblock approximation method. Our numerical results show that D-OMA outperforms the conventional non-orthogonal multiple access (NOMA) and orthogonal frequency division multiple access (OFDMA) when the adjacent sub-channel overlap and scheduling are optimized jointly.


翻译:D-OMA 最近作为提高第六代(6G)网络光谱效率的一种潜在技术,被调查为六代(6G)网络中光谱效率的一种潜在技术。 D-OMA允许将相邻的子通道部分重叠分配给由非横向多重访问(NOMA)服务的不同用户组群的相邻次通道,而以额外的干扰为代价。在本文中,我们分析D-OMA在上行连接中的性能,并开发一个多目标优化框架,以最大限度地提高D-OMA所启动的多接入点网络中的上传节能效率。具体地说,我们优化了用户的次通道并传输了用户的分流,以及相邻次通道之间频谱的重叠比例。形成的问题是一个混合的双向非线性双向程序设计问题。因此,为了应对这一挑战,我们首先使用Tchebycheff 方法将问题转化为单一目标问题。 然后,我们应用单向优化(OFO) 来探索目标函数和限制的隐藏单向单向性单向,并且将问题引入了对多频段访问的分流的分流的分流,然后将O-A-A-roalal-roadal 将多路的多路的分级访问结果显示为正解的硬式的多向式的硬度,然后将一个常规访问结果,在正解的分流的分流的分流的分解。

0
下载
关闭预览

相关内容

【Cell】神经算法推理,Neural algorithmic reasoning
专知会员服务
28+阅读 · 2021年7月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
已删除
雪球
6+阅读 · 2018年8月19日
Arxiv
0+阅读 · 2021年7月29日
Arxiv
5+阅读 · 2018年1月30日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
已删除
雪球
6+阅读 · 2018年8月19日
Top
微信扫码咨询专知VIP会员